ドキュメント抽出の認知技術

ドキュメント抽出スキルは、エンリッチメント パイプライン内のファイルからコンテンツを抽出します。 既定では、コンテンツの抽出または取得はエンリッチメント パイプラインに組み込まれます。 ただし、Document Extraction スキルを使用すると、パラメーターの設定方法と、エンリッチメント ツリーでの抽出されたコンテンツの名前付け方法を制御できます。

ベクトル検索とマルチモダール検索の場合、Text Split スキルと Document Extraction を組み合わせると、その他のデータ チャンク アプローチよりも良心的な価格となります。 次のチュートリアルでは、さまざまなシナリオでのスキルの使用方法を紹介します。

• チュートリアル: 画像とテキストをベクタル化する

• チュートリアル: 生成 AI を使用して画像を言語化する

@odata.type

Microsoft.Skills.Util.DocumentExtractionSkill

サポートされるドキュメントの形式

DocumentExtractionSkill を使用すると、次の形式のドキュメントからテキストを抽出できます。

• CSV (CSV BLOB のインデックス作成に関する記事を参照)
• EML
• EPUB
• GZ
• HTML
• JSON (JSON BLOB のインデックス作成に関する記事を参照)
• KML (地理的表現の XML)
• Microsoft Office 形式: DOCX/DOC/DOCM、XLSX/XLS/XLSM、PPTX/PPT/PPTM、MSG (Outlook 電子メール)、XML (2003 と 2006 両方の WORD XML)
• オープン ドキュメント形式: ODT、ODS、ODP
• PDF
• プレーンテキスト ファイル (「プレーン テキストのインデックス作成」も参照)
• RTF
• XML
• ZIP

スキルのパラメーター

パラメーターの大文字と小文字は区別されます。

スキルの入力

"file_data" の入力では、次のように定義されたオブジェクトを指定する必要があります。

{
  "$type": "file",
  "data": "BASE64 encoded string of the file"
}

または、次のように定義できます。

{
  "$type": "file",
  "url": "URL to download file",
  "sasToken": "OPTIONAL: SAS token for authentication if the URL provided is for a file in blob storage"
}

ファイル参照オブジェクトは、次の 3 つの方法のいずれかで生成できます。

• インデクサーの定義で allowSkillsetToReadFileData パラメーターを "true" に設定します。 これにより、BLOB データ ソースからダウンロードされた元のファイル データを表すオブジェクトであるパス /document/file_data が作成されます。 このパラメーターは、BLOB ストレージのファイルにのみ適用されます。

• インデクサーの定義で imageAction パラメーターを none 以外の値に設定します。 このようにすると、画像の配列が作成されます。これは、個別に渡した場合にこのスキルへの入力に必要な規則に従います (つまり /document/normalized_images/*)。

• カスタム スキルで、上記のように EXACTLY と定義された JSON オブジェクトが返されるようにします。 $type パラメーターは file に正確に設定する必要があります。data パラメーターは、ファイル コンテンツの base 64 でエンコードされたバイト配列データである必要があります。または、url パラメーターは、その場所でファイルをダウンロードするアクセス権を持つ正しい形式の URL である必要があります。

スキルの出力

定義例

 {
    "@odata.type": "#Microsoft.Skills.Util.DocumentExtractionSkill",
    "parsingMode": "default",
    "dataToExtract": "contentAndMetadata",
    "configuration": {
        "imageAction": "generateNormalizedImages",
        "normalizedImageMaxWidth": 2000,
        "normalizedImageMaxHeight": 2000
    },
    "context": "/document",
    "inputs": [
      {
        "name": "file_data",
        "source": "/document/file_data"
      }
    ],
    "outputs": [
      {
        "name": "content",
        "targetName": "extracted_content"
      },
      {
        "name": "normalized_images",
        "targetName": "extracted_normalized_images"
      }
    ]
  }

サンプル入力

{
  "values": [
    {
      "recordId": "1",
      "data":
      {
        "file_data": {
          "$type": "file",
          "data": "aGVsbG8="
        }
      }
    }
  ]
}

サンプル出力

{
  "values": [
    {
      "recordId": "1",
      "data": {
        "content": "hello",
        "normalized_images": []
      }
    }
  ]
}

こちらも参照ください

• 組み込みスキル
• スキルセットの定義方法
• 画像から情報を処理し抽出する方法